Churn previsto
O churn de clientes, também conhecido como rotatividade de clientes ou perda de clientes, é uma das métricas mais importantes a serem consideradas pelas empresas em crescimento. Ter as ferramentas certas para lidar com o churn é crucial para minimizar a perda e maximizar a retenção de clientes. Para dar um salto nesses usuários potencialmente desistentes, a Braze oferece o Churn previsto, uma abordagem para tentar diminuir o churn.
Tópicos
Visão geral
Com o Churn previsto, é possível definir o que significa churn para a sua empresa(definição de churn) e os usuários que você gostaria de evitar que se tornem churn(público de previsão). Quando você cria uma previsão, a Braze treina um modelo de machine learning usando árvores de decisão com aumento de gradiente para identificar os usuários em risco de churn, aprendendo com os padrões de atividade de usuários anteriores que tiveram e não tiveram churn de acordo com a sua definição.
Depois que o modelo de previsão for criado, os usuários do público de previsão receberão uma pontuação de risco de churn entre 0 e 100, indicando a probabilidade de churn de acordo com sua definição. Quanto maior a pontuação, maior a probabilidade de churn do usu’ario.
A atualização das pontuações de risco do público de previsão pode ser feita com a frequência que você escolher. Dessa forma, é possível entrar em contato com os usuários que correm o risco de churn antes que eles realmente o façam e evitar que isso aconteça. Usando até três previsões ativas, é possível aproveitar o Predictive Churn para adaptar modelos individuais para ajudar a evitar o churn em segmentos específicos dos usuários desistentes que você considera mais valiosos.
Acesso ao churn previsto
A página Previsões está localizada na seção Análises de dados. Para obter acesso total, entre em contato com o gerente da sua conta.
Se estiver usando a navegação mais antiga, poderá encontrar as previsões em Engajamento.
Antes de comprar esse recurso, ele está disponível em modo de prévia. Isso permitirá ver uma previsão de churn de demonstração com dados sintéticos e criar um modelo de previsão de churn com base nos dados de usuários de cada vez. Essa prévia não permitirá o direcionamento de usuários para envio de mensagens de acordo com o risco de churn e não será atualizada regularmente após a criação.
Com a prévia, você também pode editar e reconstruir sua previsão ou arquivá-la e criar outras para testar a qualidade de previsão esperada de diferentes definições.